Поглед върху индустрията: ai и бъдещето на електронната търговия

Изкуственият интелект (AI) е използван като фраза, използвана почти изключително в научната фантастика, за да захранва всичко - от обсебените от Армагедон суперкомпютри до нещастните фабрични роботи, издигнати от заблудени светкавици. Но днес AI се използва за описание на близкото бъдеще на практически всеки аспект на бизнеса, който използва данните на организацията. Проблемът е, че подобно на ранните дни на облачните изчисления, всеки от разработчиците на AI технология обикновено го определят по различен начин. Това е направило объркващ маркетингов морас от AI, машинно обучение (ML), прогнозна анализа и дори виртуални асистенти.

Освен това, как точно тези технологии ще повлияят на различните аспекти на бизнеса, се превърна в труден пейзаж за ориентиране. Електронната търговия е една ключова област, в която AI и свързаните с нея технологии отдавна имат влияние зад кулисите. В електронната търговия интелигентната аналитика предоставя нови възможности - от персонализирано преживяване при пазаруване до прогнозен анализ на поведението на клиентите. Разговаряхме с Крис Хамрик, изпълнителен директор на отдела, отговарящ за ангажираността на клиентите на Watson на IBM, за да изчистим някои от объркванията около AI и електронната търговия. Обсъдихме също как Big Blue ще използва IBM Watson в пространството за електронна търговия.

PCMag: Благодаря, че отделихте време да говорите с нас. За начало е лесно да объркате персонализираната реклама с „когнитивната търговия“, тъй като и двете включват използване на данни и анализи, за да съответстват на офертите и предпочитанията на клиентите. Също така често се бърка когнитивна търговия и виртуализирани помощници като Alexa на Amazon и Google Assistant. Как IBM вижда разликите между тези концепции, задвижвани от AI?

Крис Хамрик (KH): Прав си: Има много шум около AI на пазара. Поглеждайки миналото какво трябва да кажат доставчиците на технологии, както B2C, така и B2B бизнеса трябва да реагират на конкурентния натиск по-бързо. В много случаи конкуренцията всъщност идва извън индустрията. Това принуждава предприятията да измислят как да увеличат текущия си процес или да ги преосмислят.

Нека обясня как IBM разграничава AI от когнитивните изчисления. AI е способността на компютъра да разбира и разсъждава като човек. Когнитивните изчисления включват способността за разбиране, разсъждение, учене и взаимодействие, обединяване на човек и машина, така че те да се учат един от друг и да си взаимодействат по начин, който е по-мощен, когато се комбинират.

Данните проправят пътя за AI. Какво ще кажете за всички тези данни извън едно приложение, през бизнес единици, външни източници, тъмни данни и други? Живеем в свят на различни системи, които, когато се комбинират, когато се осъществяват връзки чрез данни или идентифицирани нови модели, могат да осигурят стойността 1 + 1 = 3. Това, което прави Уотсън уникален, е достъпът му до всички тези източници на данни, съчетан с познавателните способности за взаимодействие с хората, разбиране на бизнес въпроси, откриване на причината за действието и в крайна сметка да се научите от това взаимодействие и да използвате това учене в бъдещи заявки.

Що се отнася до персонализацията спрямо когнитивната търговия, Watson дава възможност на потребителите да надхвърлят, да речем, аналитика на базата на управление на взаимоотношенията с клиенти, за да получат по-задълбочена представа и да предприемат действия за повече информация, като например тъмни данни като социални медии, чат стаи, преписи за обслужване на клиенти и други данни, които могат да бъдат добавени към съвременните CRM. Използвайки Уотсън, кампаниите могат да работят от по-подробна информация и прозрения, да оптимизират неща като ценообразуване, изпълнение, изпълнение на доставката; предвидете предизвикателства, преди да се случат, и в крайна сметка да подобрите KPI. Това експоненциално подобрява способността на потребителите да работят заедно във функционални области и да има по-добро въздействие върху бизнеса с по-малко усилия.

Бизнесът се опитва да направи това днес с ресурсите, с които разполага. Те имат доклади, много електронни таблици и много срещи за всички тези данни и тяхната интуиция. Но в крайна сметка в много случаи те се изпълняват въз основа на когнитивни пристрастия - което означава, че филтрират през всички данни и шум, за да намерят данни, които отговарят на начина, по който са се правили преди. Ефективно това е пристрастието, което оформя решението, а не данните.

За да обобщим, в рамките на Watson Customer Engagement, ние вграждаме когнитивни възможности в процеси, за да увеличим максимално ефективността на бизнеса, да подобрим решенията за търговията / ценообразуването и да оптимизираме цялата верига на доставки. Клиентите могат също така да имат директен достъп до същите интерфейси за програмиране на Уотсън, за да могат собствените си наследени приложения и процеси с познавателни възможности. Най-важното е, че Уотсън покрива аномалиите, препоръчва действия и обяснява защо .

PCMag: B2B търговията вероятно е по-сложна от B2C по отношение на автоматизиране и мащабиране на оферти и цени, условия и транзакции. Например, докато потребителите пазаруват за цени, предприятията ще добавят твърди преговори за ценообразуване и дори очакват подсладители за сделката на върха на пазаруването на цените. Как е позната когнитивната търговия или когнитивните изчисления да променят начина, по който се правят B2B сделки? И как това ще съдържа разходи за купувачите и ще подобри печалбите за продавачите?

KH: B2B търговията е чудесен пример за това как предприятието се научава да използва някои от невероятните революции, случващи се в света на B2C, за да увеличи максимално печалбите и да осигури по-добро преживяване на клиенти и партньори. Фирмите, които продават на малки и средни предприятия, имат някои същите предизвикателства, които имат техните колеги на дребно, включително ерозия на маржа, конфликти по каналите, удовлетвореност на клиентите, „ефектът на Amazon“ (чрез Amazon Business), позволявайки на клиентите да избират желания път за покупка, позволявайки продавачите да се съсредоточат върху правилните възможности чрез предоставяне на транзакционен канал и други подобни.

Първата стъпка е да осигурите на вашите партньори и клиенти по-добро общо преживяване от вашата конкуренция и високите нива на обслужване на клиентите, които хората очакват в този ден и възраст. Ако съм ваш клиент, това означава, че ще трябва да знаете моите условия за договаряне, историята на моите покупки, да ми покажете продуктите или офертите, които са подходящи за моя бизнес, и да ми разрешите да консумирам тези продукти и услуги в клиент - приятелско решение. Когнитивните способности могат и трябва да бъдат тъкани по цялата верига на стойността, за да се постигнат тези цели.

Днес наблюдаваме това да се случва в много индустрии. За да направите стъпка по-нататък, вземете въпроса отвъд просто „транзакция“ и започнете да обмисляте какво означава B2B в различни индустрии и как те обслужват своите клиенти.

Например водещите производители могат да предвидят метеорологични модели, за да избегнат прекъсвания по веригата на доставки и недостиг на запаси по време на пускането на продукта. Един от нашите клиенти, Kone, използва IoT данни от асансьори, за да предвиди износването и да даде приоритет на поддръжката преди прекъсване на услугата. В областта на медицината Quest Diagnostics използва Уотсън, за да анализира биопсията на тумора на индивида и да сравни секвенцията на ДНК с милиони страници медицински списания, изследователски документи и клинични изпитвания, за да предостави на онколог най-добрата препоръка за лечение на този конкретен пациент, Тези примери очевидно са много различни, но това само подчертава, че възможностите са безкрайни. Ние сме само в началото на познавателното пътешествие. Тепърва започваме да откриваме многото начини, по които тази технология може да помогне за подобряване на отношенията между бизнеса и техните клиенти.

PCMag: Дигиталната трансформация се случва с неистов темп навсякъде и създава много повече данни, отколкото някога сме виждали. Но учените по данни смятат - а IBM изглежда е съгласен - че данните не трябва да съществуват изолирано, тъй като стойността му се състои до голяма степен в добавяне на значима дълбочина и контекст към сложните заявки. Защо Уотсън е уникално подходящ за работа с различни данни и сложни заявки?

KH: Както обсъждахме по-рано, 88 процента от всички данни на практика са тъмни. Значение, данните, които съдържат прозрения, към които всички се стремим, не са в източници на данни, които са лесни за смилане или филтриране. Освен това, учените за данни са скъпи ресурси и не могат лесно да мащабират своите знания в целия бизнес или да стигнат до по-малки компании.

С Уотсън целта е да се вземат тези мрачни данни и да се направи приемлив за всеки, който има нужда от него. Възможностите са безкрайни. Уотсън има уникални способности да консумира големи количества структурирани и неструктурирани данни на различни езици, да действа върху данните с множество познавателни услуги, да оптимизира опита за всяка аудитория от бизнес потребителите до потребителите и да предоставя същите услуги на други компании да вграждат в рамките на техните приложения.

Тук има много примери. От една страна, "анализаторът на тона на Уотсън" дава възможност за анализ на езиково съдържание, който може да открие и разбере тоновете в разговори и комуникации, за да отговори правилно. "Watson Personality Insights" извлича личностни характеристики въз основа на това как човек пише. „Watson Conversation“ ви позволява да разгърнете бот или виртуален агент през устройства, платформи за съобщения като Slack или дори върху робот.

И „Watson Visual Recognition“ разбира съдържанието на изображенията. Това е един от любимите ми, защото е толкова универсален. Можете да използвате Visual Recognition, за да откриете определен тип рокля в магазин за търговия на дребно, да идентифицирате развалени плодове в инвентара на хранителния магазин, да анализирате щетите, нанесени от градушка на покрива на един от вашите клиенти на застраховката и много други.

PCMag: Демократизацията на данните е в ход - или поне планирана - в повечето организации днес. Но обратната страна - консумацията на данни - също е с тенденция нагоре, тъй като потребителите всеки ден вземат повече решения, управлявани от данни. Какви роли играят или могат ли Уотсън и когнитивната търговия в тази тенденция на консумация на данни?

KH: Това е чудесен момент: Данните не се използват само за задвижване на повече бизнес решения, но и за повече решения на потребителите. Подобно на бизнеса, потребителите искат повече данни, за да направят по-информиран избор, но не искат да отделят много време и енергия, пресявайки повече данни. Те искат бърз резултат и да знаят, че това е оптималното решение въз основа на това, от което се нуждаят в този конкретен момент. И накрая, те искат да видим какви данни са информирали за това решение.

Няколко примера: Първо, наскоро 1-800-Flowers представи "Gwyn" като личен бот от портиера, за да помогне на купувачите да намерят най-добрия продукт въз основа на настроенията и личните предпочитания на получателя на подаръка. Използвайки Watson, Gwyn може да взаимодейства с онлайн клиенти, използвайки естествен език. Например, клиентът може да напише „Търся подарък за майка си“ и Гуин ще може да интерпретира този въпрос и след това да зададе редица квалифициращи въпроси относно повода и настроенията, за да се увери, че тя предоставя подходящо и съобразено предложение за подарък към всеки клиент. Това персонализира каталога, показва по-малко данни на купувача и фокусира взаимодействието конкретно върху това, което купувачът иска да постигне в този момент.

По същия начин The North Face осигурява интерактивен, базиран на диалог подход, за да помогне на своите купувачи. Вероятно не бихте помислили за якетата за сложен продукт, но те са. Има много фактори като диапазон от времето, ниво на активност и мобилност, които пазачът може да не вземе предвид първоначално. Използвайки способностите на Уотсън да прилага логически разсъждения и способността му да разбира, категоризира и оценява естествения език, системата на North Face задава кратка серия от уточняващи въпроси, за да предостави съобразени препоръки за продукти и съдържание, които съответстват на артикулираните желания и предпочитания на купувача. Той също така посочва причината, поради която характеристиките на продукта съответстват на конкретните нужди. Това разкрива данните, които са ви необходими за утвърждаване на препоръката.

Твърдо е убеждението ни, че клиентите очакват това ниво на персонализирано, персонализирано обслужване по всички канали. Те искат преживяването да е по-скоро разговор, преживяване, такова, при което ги питат „Как мога да ти помогна днес?“ Това е като услугата, която получавате, когато влезете в магазин за търговия на дребно, известен с отличното обслужване на клиенти. Компаниите, които са в състояние да осигурят най-доброто преживяване на марката, в крайна сметка ще бъдат тези, които заемат най-много пазарен дял.

PCMag: Изглежда, че вече бързо наближаваме ден, когато дори анализът на данни в реално време е твърде малък, твърде късно за някои случаи на използване. Скоро ще имаме нужда и очакваме проактивни асистенти - или виртуални асистенти - които не просто прогнозират, но всъщност предвиждат какво ще ни трябва или искаме, дори преди да го поискаме. Виждаме ранни отблясъци на това в наскоро обявения от Google „Проактивен асистент“. Какво прави IBM по отношение на проактивната анализа?

KH: Това е област, на която IBM отдели много енергия. Ние бяхме съсредоточени върху предоставянето на познавателни възможности, които помагат на бизнеса да предостави смислен опит за ангажиране на клиентите както за B2C, така и за B2B сценарии. Вече обсъдихме няколко примера.

Считам, че исторически бизнесите са искали да получат достъп до възможно най-много данни. С експлозията на данните, която се случи през последните няколко години, сега имаме много данни. Проблемът сега е как да направим всички тези данни използваеми без предубеждения. Освен това трябва да балансираме историческите данни, съдържащи се в, да речем, CRM система, с реалностите от това, от което се нуждае потенциалният купувач сега. Не можем да бъдем заслепени единствено от това, което CRM системата казва, че е закупена преди.

Когнитивният може да даде възможност за нов CRM или поне да бъде ефективна променлива в общото решение. Компаниите могат да имат хиляди точки от данни за всеки отделен B2B или дори B2C клиент. Но този исторически изглед трябва да вземе предвид много малкото точки от данни, които може да са най-важни в момента, в който клиентът обмисля покупка. Това може да включва променливи като намерение, емоции, тенденции и други външни фактори.

За да прогнозира следващото най-добро действие, всеки бизнес трябва да оцени моделите на купуване на клиентите си и да определи кога настоящите или предсказуеми реалности на средата им костват историческите данни за CRM. Това е проактивната визия за аналитика, към която работи IBM.